第一论文网免费提供工程毕业论文范文,工程毕业论文格式模板下载

基于模糊推理的变电站设备故障信号分析与合并技术

  • 投稿沧海
  • 更新时间2015-09-16
  • 阅读量380次
  • 评分4
  • 77
  • 0

董彦军 DONG Yan-jun;张勇 ZHANG Yong;刘振 LIU Zhen;樊锐轶FAN Rui-yi

(国网河北省电力公司,石家庄 050000)

摘要: 为快速区别变电站设备故障信号类别和实现同类故障信号合并,本文借助历史工作经验事先划分故障信号类别、整理关联的故障内容和建立模糊规则集,通过引进模糊隶属度函数实现同类故障信号合并。该技术的实施可以针对故障信号进行规范和管理,提高处理故障信号的人工智能性。

教育期刊网 http://www.jyqkw.com
关键词 : 模糊Petri网;模糊规则集;隶属度函数;故障信号合并

中图分类号:TP315 文献标识码:A 文章编号:1006-4311(2015)24-0110-04

作者简介:董彦军(1974-),男,河北平山人,本科,电力系统自动化专业,国网河北电力调度控制中心副主任,高工,研究方向为电网监控运行;张勇(1976-),男,山东成武人,本科,电力系统自动化专业,国网河北电力调度控制中心设备监控处,高工,研究方向为电网监控运行;刘振(1982-),男,山东淄博人,硕士研究生,电气工程专业,国网河北电力科学研究院,专责,高级工程师,研究方向为输变电设备集中监控及在线监测;樊锐轶(1982-),男,河北衡水人,本科,国网河北省电力公司,调控运行专业,监控值长,高工,研究方向为电网调控运行。

0 引言

随着目前变电站智能化水平逐步提高,变电站设备故障信号人工智能性分析的要求越来越高。本文将在现有的设备故障信号的基础上,引进模糊推理的机制,规范故障信号规则集,实现故障信号优化分析的目的。

1 变电站设备故障信号现状

目前,电力调度工作人员面对大量的变电站监控数据,无论从生理还是心理里都承受着极大的工作压力,尤其在处理变电站设备故障信号的过程中面临着巨大挑战。

通常情况下,故障信号采用告警直传的方式,诸多的故障信号近乎同一时间段内涌现在监控台的人机交互界面上,工作人员无法立刻做出故障准确定位和实施应对方案。基于故障信号的类别划分和故障本身内容关联程度的量化分析方面,目前尚未形成统一标准的解决方案。为了平衡调度工作人员工作现状和第一时间精准响应故障信息机制之间的矛盾,保障电网安全健康运行,目前多方就故障信号智能化分析投入了大量的科研力量。

1.1 变电设备故障信号分类

通过长期的工作总结和变电站设备运转情况,总结如下变电站设备故障门类[1,2]。

按照变电站拓扑结构中的连接属性角度,具体如下:

①线路故障;②母线故障;③主变PT故障;④主变故障;⑤电容器故障;⑥电抗器故障;⑦开关柜故障;⑧直流电压故障;⑨站用变故障;⑩PT故障;?輥?輯?訛CT故障。

1.2 变电站故障信号需解析的内容

基于1.1节对变电站设备故障信号的分类结果,对以上共计11种故障特征进行逐项剖析,具体关联对应关系见表1所示。

1.3 本文工作内容与安排

本文主要研究工作内容:

①解析变电站设备故障内容;

②标识故障信号并绑定信号故障内容;

③建立故障信号的模糊推理模型。

本文的结构安排:

第一章完成变电站设备故障信息的梳理;

第二章完成设备故障信号及明细内容入库管理工作,并建立设备故障库;

第三、四章针对建立的设备故障库,阐述模糊规则集,依据模糊推理算法,实现变电站故障信号合并工作;

第五章完成基于模糊推理变电站的故障信号分析和合并技术的效果分析。

2 构建变电站设备故障库

依据变电站设备故障信号和关联内容,为实现二者之间的映射,方便存储、调阅和智能推理,下面进行故障库的建立过程。

2.1 明确设备故障信息关联明细

为了方便设备故障信息入故障库,下面对设备故障信息数据包进行规约。

针对该数据包的主要字段内容,以故障信号为唯一标示ID,其主要字段内容包含故故障信号关联的变电站名称、故障信号关联的故障设备名称、故障设备地理位置信息、故障设备连接属性、故障设备电气参数、故障设备物理参数、故障设备故障内容描述、时间戳等明细内容。

2.2 设备故障库建立的过程

根据设备故障上报数据包的信息内容,通过反复数据接受和提炼处理过程,总结设备故障信号的规律,逐步建立“电压等级—线路—间隔—设备”层级式管理,为设备故障的定位和归集的工作进行铺垫。

具体设备故障库建立的过程如下:

①搜集故障信号。以故障信号ID为识别索引,解析故障信号数据包,提取原始故障信息;

②拓扑结构自生成。汇总故障信息中的地理信息和信号的电气、物理属性信息,推导产生故障信号的电气设备及设备间的连接关系,形成初期的设备故障拓扑网络[3];

③识别故障信号的关联关系。根据获取的故障拓扑网路,分析故障之间的内在影响和制约关系,实现故障信号之间的合并和关联;

④生成故障信号门类。在故障信号合并和关联基础之上,建立以设备为单元的故障信号门类;

⑤故障信号建档入库。以故障信号门类为建档科目,建立该故障信号门类的数据表,有以上数据表组合成故障信号数据库,即故障库。

为了更好地阐述设备故障库建立过程,下面绘制其分析流程图,如图1所示。

3 建立变电站设备故障信号模糊规则集

基于设备故障库的基础上,对设备故障信号进行模糊推理。

3.1 基于双向推理

将现有的故障信号作为故障源端的基本输入,借助故障网络拓扑图为最终故障的分析线索,实现故障分析的正向推理;在已建立的故障库的基础上,关联存在关联属性的故障信号,进行故障信号的反推,实现故障分析的反响推理。

将故障信号大分为故障信号条件和故障信号结果,故障信号条件和结果的关系为触发与被触发的关系。

通过触发端和被触发端的双向推理[4,5],可以快速定位故障源头。

3.2 基于模糊Petri网下的故障信号规则集

模糊Petri网[6,7]主要用于知识预演、逻辑推导和动态表达因果关系的研究领域。本文主要借助模糊Petri网实现以下四个方面的变电站设备故障信号的因果分析。

假设故障信号条件为FIK(k∈[1,M]),故障信号结果为FTj(j∈[1,N)。

3.2.1 基于多方故障信号条件的模糊规则

基于多方故障信号条件的模糊规则:有多个故障条件共同引发出一个故障结果。具体实施规则为:FI1&&FI2&&…&&FIM→FT,主要是对变电站多方的故障信号合同引发出一个故障。对于FT而言,在集中处理故障信号时,不必处理FT,仅处理引发FT的各方故障信号条件即可。

3.2.2 基于任一方故障信号条件的模糊规则

4 实现变电站故障信号合并

当判定故障信号属性时,由于故障信号相互关联的可能性,不能简单将某个信号简单地判定属于或者不属于故障明细项,还有可能存在不能准确地指出隶属于哪一个原因诱发的故障明细项。

针对以上情况,下面将引进基于模糊隶属度[8,9]的数学模型解决存在不确定性的故障信号合并问题,旨在提高故障信号判定的准确性。

4.1 模糊隶属度模型设计

针对捕获的故障信号,采用量化离散分析,实现故障信号模糊隶属归属的期望方差极值最大,最终决策出故障信号准确定论。具体模型设计如下。

⑥完成支持序列的对象合并

由于取支持序列最大值等效于实际当中故障发生的对象可能性最大化分析,通过不断合并故障信号支持程度来强化并实现支持序列最大值的生成过程。

4.2 模糊隶属度实现流程

根据模糊隶属度模型分析,利用模糊隶属度实现的流程图见图2,其实现策略如下:

①建立故障库中的故障信号为描述对象;

②以描述对象作为模糊隶属度函数输入的离散变量;

③获取支持描述对象的支持程度的量化数据值;

④通过期望极值原理提取故障信号支持序列最大值;

⑤按照故障信号支持序列对其他信号按照门类进行归属和合并。

5 基于模糊推理的变电故障信号分析与合并的效果分析

本文主要采用模糊隶属度的数学方法,实现了变电站故障信号的自然属性以量化形式的描述和故障信号在优先阵列下的信号合并过程。在应对变电站故障时,本文建立的应用模型可以先处理故障信号集合中的主要方面,然后再处理故障信号集合中的次要问题,在深度迭代的分析中,实现了信号人工智能处理的工作效率的提高。

5.1 基于双向推理效果分析

通过模糊隶属度模型建模,采用“基于双向推理”的方法,相比故障信号单向分析而言,故障分析工作量至少降低了50%。

5.2 基于模糊Petri网的故障信号规则集效果分析

针对基于多方/任一方故障信号条件分析,若n个以“与”的方式共同诱发故障信号,一旦获取到故障信号,则与逐一分析诱发故障分析比较工作量降低至1/n;若n个以“或”的方式诱发同一个故障信号,一旦获取到故障信号,则与统一分析诱发故障分析比较工作量降低至(n-1)(n-1)/nn。

针对基于多方/任一方故障信号结果分析,若n个故障结果信号以“与”的方式由同一个诱发因素导致的,则与逐一分析故障信号结果比较工作量降低至1/nn;若n个故障结果信号以“或”的方式由同一个诱发因素导致的,则与统一分析故障信号结果比较工作量降低至1/(n-1),且n>1。

教育期刊网 http://www.jyqkw.com
参考文献

[1]姬书军,朱学科,李淮海.变电站智能告警专家系统研究[J]. 华东电力,2011,39(5):773-775.

[2]Xue C, Li C, Huang X, et al. Application of intelligent substation information integration[J]. Electric Power Automation Equipment, 2011, 31(7): 110-114.

[3]Dewey F E, Perez M V, Wheeler M T, et al. Gene coexpression network topology of cardiac development, hypertrophy, and failure[J]. Circulation: cardiovascular genetics, 2011, 4(1): 26-35.

[4]赵河明,潘宏侠.基于双向推理的序贯性故障诊断技术[J]. 华北工学院学报,2005,26(3):184-186.

[5]徐欢.基于模糊Petri网的专家系统知识推理及其应用 [D]. 天津科技大学,2007.

[6]张明锐,徐国卿,贾廷纲.基于 Petri 网的变电站故障诊断方法[J].信息与控制,2005,33(6):740-744.

[7]Wang J, Ji Y. Application of fuzzy Petri nets knowledge representation in electric power transformer fault diagnosis[J]. Proceedings of the CSEE, 2003, 23(1): 121-125.

[8]张翔,肖小玲,徐光祐.模糊支持向量机中隶属度的确定与分析[J].中国图象图形学报,2006,11(8):1188-1192.

[9]刘畅,孙德山.模糊支持向量机隶属度的确定方法[J].计算机工程与应用,2009,44(11):41-42.